大数据优势电子商务论文

近年来，大数据技术和应用逐渐成为国家基础性战略支撑。在“新基建”包含的七大领域中，大数据中心的建设占据了一席之地，这使得大数据的重要性日益凸显。在数字经济时代，大数据成为像石油一样重要的资源，从根本上改变了企业运营、创新以及价值创造的方式。下面小编整理了一些《大数据优势电子商务论文(精选3篇)》，仅供参考，大家一起来看看吧。

大数据优势电子商务论文 篇1：

中国大数据产业发展研究

摘 要：从产业规模、产业形态、区域分布、产业竞争格局、产业政策和交易市场等6个方面来全面分析我国大数据产业发展的现状，并进一步从数据产权、政府数据、数据价值、数据安全和保护、大数据企业、大数据人才和大数据技术7个方面深入分析我国大数据产业发展面临的主要问题。以问题为导向，针对性的提出了加快我国大数据产业健康有序发展的对策建议。

关键词：大数据；大数据产业；数据产权；政府数据开放共享

在信息化社会，大数据已成为与自然资源、人力资源一样重要的战略资源，正在改变各国综合国力，重塑未来国际战略格局。近年来，发达国家把大数据产业作为强国之基、兴国之本，纷纷加快布局大数据产业。由美国率先推动引领，欧盟、日本等发达国家紧随其后，纷纷出台国家层面的大数据发展战略规划和促进大数据产业发展的相关政策，先后拉开了大数据战略的大幕，有力地推动了大数据产业化、市场化的进程。从全球看，美国始终保持着大数据产业的领先地位，不仅大数据产业发展步入大规模商用阶段，而且大数据已广泛渗透到经济、政治、教育、安全和社会管理等众多领域。相形之下，我国大数据产业还处于起步发展阶段，但自2014年3月《政府工作报告》中首次出现“大数据”字眼以来，国务院于2015年8月31日颁发了《促进大数据发展行动纲要》，《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》中又明确提出：“实施国家大数据战略，推进数据资源共享”，2017年1月17日，工信部还发布了《大数据产业发展规划（2016—2020年）》。随着党中央、国务院密集推出一系列促进大数据发展的顶层设计与战略部署，我国大数据产业出现良好的发展势头，迎来了快速发展的黄金时期。

但是由于我国大数据产业发展起步较晚，加之大数据的关键核心技术发展比较滞后和与之配套的相关工作准备不足，大数据产业发展中面临许多亟待解决的问题，其主要表现在数据产权确权难；政府数据开放度低；数据收集和共享困难，商业价值不高；数据安全、隐私保护及管理体系不完善；大数据企业规模小，领军企业缺乏；大数据人才供求失衡，合格人才匮乏；大数据技术创新不足，关键技术研发应用比较落后等问题。我们直面大数据产业发展中存在的这些问题，在系统分析我国大数据产业发展现状及其面临主要问题的基础上，针对性地提出了加快我国大数据产业健康有序发展的对策思路，为加快推进我国大数据产业发展建言献策。

一、我国大数据产业发展现状分析

1.大数据产业发展态势良好

我国大数据产业展现出良好的发展态势，从2014年以来，我国大数据产业规模不断扩大，2014年大数据产业规模为1038亿元，预计到2020年我

收稿日期：2018-01-15

作者简介：茶洪旺，男，北京邮电大学经济管理学院教授，博士生导师（北京 100876）。

郑婷婷，女，北京邮电大学经济管理学院博士生（北京 100876）。

国大数据产业规模将达到13626亿元，增加10倍以上，增长幅度巨大，详见图1。

图1 2014—2020年中国大数据产业规模变化

数据来源：贵阳大数据交易所《2016年中国大数据交易白皮书》第26页，其中2017—2020年数据为预测数据。

随着我国大数据快速发展，大数据所形成的价值也得到快速提升，我国大数据市场规模在全球大数据市场规模中的比重将越来越大，并最终与全球增速保持同步。预计到2020年中国大数据产业规模占全球大数据产业规模的比重将达到20%以上，占美国大数据产业规模的50%以上，超过欧洲大数据产业规模。

2.大数据产业形态基本形成

目前，我国大数据产业基本形成了以数据资源、产品技术和应用服务等三大部分为主的产业形态。

数据资源方面，我国在数据资源量和丰富程度上具有优势。中国拥有全球第一的人口基数、互联网用户数和移动互联网用户数，网络化、智能化、平台化的采购、生产、营销等开始受到越来越多的中国企业关注，中国已成为名副其实的“世界数据中心”。截至2017年6月，中国网民规模达到7.51亿，互联网普及率达到54.3%①，涌现出阿里巴巴、腾讯、百度、京东等一批拥有巨大数据储量和先进数据管理能力的互联网企业。随着“互联网+”和“中国制造2025”的不断推进，产业互联网和物联网有望快速发展，机器对机器（M2M）的通信将会带来大幅的数据增量。IDC的数据显示，我国数据将会呈现出爆发式增长，占全球的比重将会大幅提高，预计2020年中国数据总量将会达到8060EB，约占全球的18%②。

产品技术方面，全球大数据技术以开源为主，中国以跟随为主。全球大数据技术格局目前可以分为三个阵营。一是原创理论输出。代表公司是谷歌，其相关成果为大数据存储、处理和分析奠定理论基础。二是技术制高点。以雅虎、脸书、阿帕奇等美国公司为代表，主要提供开源的大数据分析架构服务。三是产业先锋队。以IBM、微软、甲骨文、EMC等传统IT巨头为主，主要针对行业用户提供基于Hadoop和Spark的商用产品和解决方案。国内产品技术集中于应用层，相关企业大部分处于第三阵营，且处于跟随者地位，与国外同阵营企业实力差距较大，仅有少数企业（如阿里巴巴、华为等）可以进入第二阵营。

数据应用方面，我国政府和企业都高度重视大数据应用，并在政务服务、互联网、智能制造等方面取得成效。政务方面，多个地方已经根據实际情况展开大数据云平台建设，贵州借助“云上贵州”系统平台上线“7+N”朵云、河南省上线“中原云”、云南省政府上线“云上云”等；互联网方面，百度的“中国大脑”战略、阿里的“从IT到DT”、腾讯的“大数据连接的未来”等都围绕数据驱动进行布局。在智能制造领域，以三一重工为例，其已形成了5000多个维度、每天2亿条、超过40TB的大数据资源，并通过大数据分析，达到实时监测设备作业情况、关键零件磨损、油耗以及承压情况等，确保在问题出现之前就能发出预警，从而实现对成本的精准控制，并大幅提高用户服务质量。

3.大数据产业呈现区域聚集分布状态

我国大数据产业聚集发展效应开始显现，从东部沿海地区到中西部内陆地区，大数据产业发展区域分布呈现出聚集发展的良好局面，合作协同发展将成为大数据产业的常态。目前已形成了以贵安新区为核心的综合试验区，以北京为核心的京津冀大数据聚集区，以深圳、广州为核心的珠三角大数据聚集区，以上海、江苏、浙江为核心的长三角地区大数据聚集区。此外，重庆、武汉、西安、成都、郑州等地也在积极发展大数据产业，并取得一定成绩。中关村大数据产业园（北京）、仙桃数据谷（重庆）、大数据科技产业园（成都）、白沙大数据产业园（河南）、江苏省大数据特色产业园（江苏）等一大批大数据产业园区纷纷落地。

4.初步形成互联网巨头引领的产业竞争格局

我国国内互联网企业巨头百度、阿里巴巴、腾讯及京东等凭借自身在网络信息方面的优势，率先获取了大量的用户数据，在我国大数据发展中抢占先机，用以支撑自身的电子商务、定向广告和影视娱乐等业务，走在国内大数据应用的前列。同时，在互联网产业O2O的趋势下，互联网企业逐渐将业务延伸到金融、保险、旅游、健康、教育、交通服务等多个行业领域，这极大地丰富了互联网企业的数据来源，促进了其数据分析技术的发展，进一步奠定了我国大型互联网企业在大数据领域的地位，同时也扩展了大数据分析在诸多行业的应用。

5.大数据产业政策不断完善

为了促进大数据产业的发展，我国从中央到地方陆续出台一系列大数据产业政策措施助推大数据产业发展。截至2016年中旬，中共中央和国务院出台了14个关于大数据产业的政策，各部委也出台了13个与大数据产业密切相关的政策，上海、贵州、重庆、天津等23个省（市区）出台了76个与大数据相关的政策和规划，呈现出中央高度重视、地方积极推动的良好局面。实践证明，从中央到地方政府出台的一系列政策举措，对促进我国大数据产业发展发挥着重要的推进作用：中央层面颁布的战略能够对大数据产业的发展起到统筹规划的作用；而地方层面的政策则能够帮助地方利用政府部门强大的资源整合能力，为大数据产业的发展提供各种财政、资金、资源等的保障，推动我国大数据产业更加健康有序的发展。

6.数据交易市场发展迅速

数据交易是指对数据的一系列权益（如所有权、使用权、收益权等）进行价值评估和交换的过程。目前，我国数据交易市场发展迅速，截至2016年7月，我国已经成立的大数据交易所、交易中心和平台达到15家。其中，中关村数海大数据交易平台成立于2014年2月，是我国首个大数据交易平台。这些数据交易平台的诞生和运作为企业、政府、科研乃至个人提供了数据交易和应用的场所，对于其盘活手中沉积的海量“数据资产”，打破“数据孤岛”起到了极大的助力作用。

二、我国大数据产业发展面临的主要问题

我国大数据产业还处于起步阶段，尽管取得了一定的成果，但作为新的产业业态，其在发展中依旧面临着许多问题，主要表现如下：

1.数据产权确权难

数据产权确权问题是我国大数据发展所面临的难题。产权制度是市场经济的基本制度。由于数据具有可复制、易更改等特性，且权属鉴定复杂，数据产权界定是当前大数据产业发展亟须解决的疑难问题。实践证明，由于目前数据产权确权问题依旧悬而未决，导致基于原始的用户数据，在去除个人身份属性之后的数据归属问题不明确，数据拥有方不愿或不敢把数据拿出来交易，直接制约了数据交易的发展步伐，进而严重制约了大数据产业的发展。即便是目前有不少的数据交易平台、交易所和交易中心，但是脱离了明确的数据产权界定这一基础，数据交易只能是摸着石头过河式的一种尝试，势必会引发数据交易市场中一系列纠纷，增加大数据产业发展风险。

2.政府数据开放度低

目前，虽然北京、上海、贵州等一些地方政府已经尝试建立了省市一级的数据开放门户，但我国尚未建立全国统一的数据开放门户，政府数据开放程度比较低，主要表现在以下方面：

第一，政府部门对数据开放的认识还不到位，已开放共享的数据时效性低、机器可读性差。一些地方政府片面地认为数据开放就是把数据公开出来。实际上，数据开放是一项系统性工程，涉及数据的机器可读、数据格式、数据许可、数据接口等问题。

第二，政府数据开放动力不足。究其原因，主要根源于两个方面，一是一些政府数据的质量并不高，部门间的数据不一致情况突出，数据一旦开放出来，可能造成负面影响而由此不敢为。二是一些政府重在眼前“政绩”考虑，虽然政府数据开发共享蕴藏着巨大的经济和社会价值，但在短期内很难凸显“政绩”，由此就不积极作为。

3.数据收集和共享困难

大数据产业发展的动力首先来自于数据流动，尤其是跨行业、跨部门，甚至跨地域的数据流动与共享。但是我国存在比较严重的“数据割据”“数据孤岛”和“碎片化”现象，有价值的公共资源和商业数据基本处于死锁状态，无法顺畅流动。具体表现在以下方面：

第一，我国数据标准化程度低，数据收集困难。由于我国数据标准体系建设的基础工作薄弱，早期信息化建设缺乏顶层设计，自主构建大型信息系统的能力不足，且大量的企业没有意识到信息化建设的重要性，导致目前依靠这些信息系统收集到的数据普遍存在兼容性不足、数据质量参差不齐、数据标准化程度较低等问题，直接制约了数据的流动。

第二，數据源之间处于孤立存在状态，数据整合共享困难。由于数据源之间孤立存在，缺少流动和整合，很多企业拥有的数据都是片段数据，很难形成完整的、具有商业价值的数据，导致利用大数据之前需要做大量数据处理的工作，整合效率低，整合难度非常大，数据使用成本过高，商业价值降低。

4.数据安全保护及管理体系不完善

数据安全与大数据产业必须同步推进发展，没有数据安全，大数据产业不可能持续发展。但由于我国数据安全和隐私保护不足，增加了大数据产业发展风险，主要表现在以下方面：

第一，法律法规不健全，没有建立起相关管理体系。我国数据安全和保护相关的法律法规仍不健全，政府信息资源开放共享制度仍然缺位，长期以来，国内政府部门和企业对数据资源没有足够的重视，未设置相关的管理机构和管理规章，数据管理处于分散、无序状态，导致目前还未建立起兼顾安全与发展的大数据开放、管理和安全保障体系。

第二，自主设备采用不足，容易导致数据泄密。我国大量的信息系统和联网工业设备都是使用国外的服务器、路由器、数据库、操作系统等，对自主设备的采用较少，在商业或其他利益的驱使下，国外相关厂商可以肆无忌惮地获取我国个人和企业的各类数据，很容易导致我国的数据资源泄密，不利于对数据资源的保护。

第三，国内数据主体对于数据隐私的重要性认识不足。我国的相关厂商尚未意识到数据的重要性，缺乏保护数据资源的意识，而技术能力的不足也使得相关厂商无法真正有效地广泛存储、利用和保护属于自己的数据。

第四，对侵犯数据隐私和安全的相关行为处罚不足。数据保护相关的执法力度、处罚程度也存在不足，过去几年，包括携程、支付宝、天涯网、12306等众多互联网企业发生了多起重大的数据泄露事件，但是对涉事企业的处罚力度较轻微。

5.大数据企业领军企业缺乏

从主导大数据产业生态建设的领军企业看，我国与发达国家还有较大差距，目前还没有出现能够引领大数据产业的大企业。当前，我国大数据产业还处于发展早期，主要以中小企业为主，企业人数从几十人到几百人不等，分布于各个细分领域之中，竞争非常激烈，很少有营业收入超过10亿元的大企业。我国大数据产业起步较晚，导致大数据产业链还需要进一步构建和完善，垂直方向尚未出现可以建立行业标准、领导行业发展的骨干型大数据企业。

6.大数据合格人才匮乏

我国大数据产业的发展和竞争归根结底取决于数据人才队伍建设。我国目前大数据人才供求严重失衡。

第一，复合型人才总供给不足。大数据的发展离不开掌握大数据技术的复合型人才，而目前系统地掌握数学、统计学、数据分析、机器学习和自然语言处理等多方面综合知识的复合型大数据人才却十分短缺。再加上我国大数据专业教育起步时间太晚，大数据人才的培养速度无法追赶正在发展中的大数据市场。根据2017年《大数据人才报告》显示，未来3—5年内我国大数据人才的缺口将高达150万人。

第二，大数据人才岗位供求失衡，技术类人才稀缺。除了总供应不足之外，大数据人才还面临岗位供需不均衡的现象。在大数据岗位需求之中，数据分析、系统研发等相关技术类岗位的需求远大于供给，而数据管理岗位的人才供给却大于其需求。所以在大数据人才需求中，技术类人才的稀缺程度要大于管理类人才。

第三，大数据人才地域供求失衡。地域供求失衡现象也是大数据人才供求面临的一个问题。我国大数据产业在区域发展上呈现区域聚集分布状态，除了经济发达的北京、上海、广州等地之外，西南地区的贵州、重庆也是大数据产业聚集发展的地区。从大数据人才的流动情况来看，大数据人才主要流向信息化基础好、产业政策扶持力度大的地区，中西部和东北地区的数据人才则流出较多，这种地域失衡状态，导致中西部地区的数据人才不足，大数据产业的发展受到限制。

7.大数据技术创新不足

我国在大数据重点领域的关键技术创新还处于跟随状态，与发达国家相比，在数据采集、分析、存储管理、数据安全以及数据实时在线处理、非结构化处理等方面都存在较大差距。由于自主研发能力不足，没有形成自主可控的大数据技术框架，难以满足各行各业大数据关键技术应用需求，大数据产业高端化发展步履维艰。我国大数据产业的技术创新能力不足主要体现在三个方面：

一是缺乏核心技术。大数据产业涉及数据采集、清洗、存储、挖掘等一系列过程，我国本土软件企业技术积累薄弱，在底层架构和核心算法方面不具备优势，在核心数据技术掌握方面较为薄弱，真正能主导构建大数据产业生态的企业尚未出现。

二是产业链构建不完整。大数据产业的发展需要从底层芯片到基础软件再到应用分析软件等信息产业全产业链的支撑，目前国内无论是在新型计算平台、分布式计算架构，还是在大数据处理、分析和呈现方面均与国外存在较大差距，难以支撑大数据产业链的构建。

三是大数据产业生态体系建设滞后。我国关键数据技术的创新和开源生态建设方面还处于跟随状态，相关企业主要基于已有的开源平台进行优化和构建适合自身业务需求的大数据平台，缺乏构建产业生态的技术实力和资金支持，涵盖数据采集、加工、管理、分析和應用全链条的大数据产业生态体系还需要加大力度培育。大数据产业生态体系建设滞后，导致无法真正掌握大数据产业话语权。

三、加快大数据产业健康有序发展的对策建议

1.加强数据产权方面的制度建设

可参照《中华人民共和国物权法》相关规定，结合数据资源的特点，研究并明确数据产权的法律定义、内容、权利和保护等内容，明确数据产权的资产属性和交易属性，明确产权所有者享有依法进行数据交易的权利。在数据产权确权过程中，建议在保护个人隐私的前提下，将企业获取数据的权属优先和侧重分配于企业，以保证企业可以实现数据收益与其投入相匹配。

2.加快建立完善大数据产业发展的相关法律法规制度

大数据正在改变世界，但它并没有改变人们对于数据安全和个人隐私保护的意识，数据安全和隐私保护是大数据发展的世界性难题。目前，我国大数据安全保护的能力十分有限，大数据安全及隐私保护的法律法规缺失，大大增加了我国大数据产业发展风险。鉴于目前我国仅有贵州省2016年1月15日出台了《贵州省大数据发展应用促进条例》，其他省市和中央政府都还没有制定有关数据安全和隐私保护的单行法律法规，建议先考虑加快起草和颁布“信息保护法”和“数据开放法”，加强数据安全和个人隐私保护，明确数据安全边界，保障大数据采集、使用等环节中个人隐私信息不受侵犯。参照《中华人民共和国物权法》，研究制定“数据产权法”，明确数据产权法律定义、内容、确权和保护等内容，明确数据产权的资产属性和交易属性，明确产权所有者享有依法进行数据交易的权利。

在大数据时代，我国制定“数据法”已变得越来越迫切，建议把制定“数据法”尽早列入全国人大立法计划，做好与之前出台的相关法律法规的衔接，待时机成熟时，出台“中华人民共和国数据法”。“数据法”主要内容要包括总则和附则两部分：总则包括数据权属、数据使用、数据公开、数据交易、数据保护、数据治理、数据取证、法律责任等；附则作为总则和分则辅助性内容而存在的一个组成部分，对本法有关专业用语和相关问题进行解释说明。

3.加快推进数据资源开放共享步伐

加快推进数据资源開放共享步伐，促进数据互联互通、开放共享，着力点主要应放在政府数据资源开放共享、数据标准化和数据共享平台建设。

一是加快推进政府数据资源开放共享步伐。要把加快推进政府数据资源开放共享步伐的着力点放在全面深化政府行政体制改革上来。我们只有也唯有全面深化行政体制改革，创新行政管理方式，从根本上打破部门行业条块分割的体制壁垒，彻底解决时下一些政府部门存在“不愿开放共享”“不会开放共享”“不敢开放共享”这种为官不为、懒政怠政局面，才能破解目前大数据发展面临的“数据孤岛”“数据碎片化”难题，进而推动大数据资源整合与集成应用，提高大数据产业资源配置效率。

根据我国国情，当前要把政府数据开放共享纳入政府工作重要职责，明确职责主体，确立政府数据开放共享的主管部门、工作职责和工作考核机制；尽快制定出台“开放数据发布指南”和“公共数据资源开放共享管理办法”，明确界定数据开放边界、范围、原则和安全保障范围等，制定数据开放共享行动计划，加快推进政府数据资源开放共享步伐。

二是有序建立完善大数据平台。首先，要按照开放共享的内容范围和相关标准，加快统筹建立完善国家、省、市、县四级政府数据资源开放共享平台，实现政府数据资源互联互通，开放共享。其次，要按照互利共赢、有序推进、互联互通、协调发展的原则统筹布局大数据交易平台。同时要特别警惕避免功能定位趋同的大数据交易平台盲目发展，同质化严重以致发生恶性竞争，造成社会资源和社会资本的巨大浪费。

4.加大对大数据产业发展的财政金融政策支持力度

加快大数据产业发展，不仅要充分发挥企业的主体作用和有效市场的主导作用，而且要更好发挥有为政府的引导作用。实现“有为政府”与“有效市场”的有机统一，保障市场在资源配置中起决定性作用。

一是加大财政政策支持，注重配套政策的应用。政府要加大对大数据产业的财政投入，充分发挥财政资金的引导作用。首先，要尽快完善政府采购大数据服务的配套政策，加强各级政府和企业对大数据开发应用的支持力度。鼓励政府部门和公用事业的信息化应用中采购大数据技术，以政府采购数据引导产业发展。其次，要加快推进出台实施大数据产业生态中的相关企业享受税收优惠政策。对符合国家税收优惠政策规定的大数据企业，经相关部门认定后实施更加优惠的企业所得税政策。对于市场前景良好的大数据初创企业，纳入小微企业优惠政策扶持。对符合税法相关规定的大数据新技术、新产品、新工艺研究开发费用，实施加计扣除政策。

二是建立财政专项扶持基金。建立国家大数据产业发展投资基金，吸引社会资金参与，扩大大数据产业投融资能力，重点扶持基础性、关键性产业领域；设立大数据产业发展专项基金，用于支持大数据技术研发、产业化项目和重大工程。

三是加大投融资扶持政策力度。深化金融服务改革，为大数据产业发展提供良好的资金扶持。首先，各级地方政府要积极引导创业投资基金投向大数据产业，鼓励设立一批投资于大数据产业领域的创业投资基金；其次，鼓励地方设立支持大数据产业发展的风险投资基金和股权投资基金，引导社会资金投资大数据产业；最后，引导和鼓励符合上市条件的大数据企业在国内上市，拓宽大数据企业直接融资渠道。

5.加强大数据重点领域关键技术自主研发创新与应用

大数据产业是技术和应用双重驱动的产业，必须通过加大关键技术研发支持力度和扩大应用范围来增强大数据产业的核心竞争力。

一是加大财政资金对关键基础共性技术的研发支持力度。建议在国家层面上设立大数据关键基础共性技术研发的国家财政专项资金，支持突破一批核心技术，以期形成构建具有核心技术自主权的大数据产业链的能力。即突破大数据采集、大数据分析与挖掘、大数据可视化、存储管理、数据安全、以及数据实时在线处理、非结构化数据处理等关键核心技术，形成自主可控的大数据技术架构，提高关键核心技术的自主研发能力。

二是引导企业加强大数据核心技术和应用技术的研发投入，形成一批可复制、可推广的行业解决方案。加速推进大数据关键核心技术应用试点示范。选择一批信息服务企业作为试点企业，积极推动大数据应用，以应用牵引创造需求，加快我国大数据产业化和市场化进程。

6.加强基础设施建设和大数据专业人才培养

目前，我国大数据产业整体实力与国外相比仍有较大差距，尤其是大数据基础设施薄弱、专业人才队伍不足是一个亟须打破的制约瓶颈，需要在国家层面上给予强有力支持。

一是加强基础设施建设。我国大数据产业还处在发展初期，最迫切的就是完善大数据产业发展所需的基础设施建设问题。当前必须抓好如下工作：要在国家层面上统筹规划大数据基础设施建设，根据国家发展重点，结合本地区实际有序布局大数据平台、数据中心等基础设施。务必要防止盲目建设和重复投资，避免出现“烂尾楼”工程。要扎扎实实地加快推进“宽带中国”战略，加快宽带网络建设，优化网络通信能力，提高通信网络质量，降低整体运营成本，健全网络通信服务保障体系，大幅度扩大光纤网络、移动网络和无线局域网覆盖范围。建立大数据产业园区形成产业集聚效应。中央和地方政府应根据实践情况有序规划大数据产业园区，并实施优惠政策鼓励大数据企业入园创业，促进产业集群发展，不断培育壮大具有国内和全球影响力的大数据产业领军企业。

二是多元化方式培养大数据专业人才。发展大数据产业的一个重要前提是必须具备多层次、高素质的大数据专业人才队伍。鉴于我国大数据专业人才队伍不足的现实，应着力于两方面：一方面，要培养大数据重点领域关键核心技术研发人才。从紧迫性而言，要充分发挥政府的主动引领作用，实施人才引进战略，以大数据领域研发和产业化项目为载体，积极引进高端人才，重点引进一批活跃在大数据技术发展前沿、国际领先水平的高端专业人才和团队。从长期来看，要立足于依靠我国重点高校和科研院所培养输送，致力于培养和造就一支懂指挥、懂数据采集、懂数学算法、懂数学软件、懂数据分析、懂预测分析、懂市场应用、懂管理等的复合型“数据科学家”队伍。另一方面，要培养和造就高素质的大数据应用人才。可采取多元化培养方式，即支持国内高等院校设置大数据相关学科、专业，培养大数据技术和管理人才；支持职业学校开展大数据相关职业教育，培育专业技能人才；鼓励高校和科研院所针对大数据产业相关技能对在职人员进行专业培训，缩短大学培养人才的周期来满足大数据产业对人才的需求，使我国产学研协同创新实践步入“三螺旋”时代③。

7.加快推进政府统计制度与方法改革

我们必须积极应对新时代的数据科学面临的挑战，主动进取，充分利用大数据催生大变革，在大数据思维框架下构建新的统计制度与方法，推动现代化统计体系建设。加快推进数据标准化需要充分发挥有为政府的作用，建议从国家层面上组织专家队伍，在积极借鉴国际经验的基础上，结合我国国情进行专题研究。当前要着力于对推动大数据的基础标准、技术标准、应用标准和管理标准等进行深入研究，积极鼓励先行先试，在试点成熟后上升为标准推广实施。当前，必须加快建立政府部门、事业单位等公共机构的数据标准和统计标准体系，推进数据采集、政府数据开放、指标口径、分类目录、交换接口、访问接口、数据质量、数据交易、技术产品、安全保密等关键共性标准的制定和实施。密切关注国际标准和技术发展趋势，善于进行国际交流合作，要积极组织参与国际标准制定，提升我国大数据标准制定的国际话语权。

8.促进国际合作与交流

在经济全球化时代，大数据产业要发展壮大，开放合作是必由之路。我们要坚持平等合作、互利共赢的原则，积极推进建立多层次的国际合作交流合作机制，在大数据开放共享、产业发展、数据安全、政策法规等领域加快建立和完善大数据国际交流合作平台，逐步完善国际合作机制。结合大数据应用创新需要，积极引进大数据高层次人才和领军人才，利用国际创新经验促进我国大数据产业注入新的活力，加速世界共融；结合“一带一路”等国家战略，支持国内大数据龙头企业积极开拓国际市场，输出优势技术和服务，形成若干具有国际竞争力的大数据企业和产品，在优进优出中实现大数据产业竞争力的提升。

注釋

①中国互联网络信息中心（CNNIC）：《第40次中国互联网络发展状况统计报告》，2017年8月4日。

②IDC & EMC. The Digital Universe of Opportunities. https：//www.emc.com/collateral/analyst-reports/idc-digital-universe-2014-china.pdf.

③“三螺旋”理论是20世纪90年代中期，纽约州立大学的社会学家亨利·埃茨科威兹和阿姆斯特丹科技学院的罗伊特·雷德斯多夫教授在三螺旋概念基础上提出的官、产、学三者之间关系的著名理论。该理论主要分析了知识经济时代政府、产业和大学之间的新型互动关系，即政府、企业与大学是知识经济社会内部创新制度环境的三大要素，根据市场要求而联结起来，形成了三种力量交叉影响的三螺旋关系。这一理论被学界认为开创了一个创新研究的新领域、新范式，产学研的研究从此向“三螺旋”时代迈进。

责任编辑：晓 立

Research On the Development of China′s Big Data Industry

Cha Hongwang Zheng Tingting

Key words： big data； big data industry； data property right； government data opening and sharing

作者：茶洪旺 郑婷婷

大数据优势电子商务论文 篇2：

大数据创新价值链：新基建时代的管理创新

近年来，大数据技术和应用逐渐成为国家基础性战略支撑。在“新基建”包含的七大领域中，大数据中心的建设占据了一席之地，这使得大数据的重要性日益凸显。在数字经济时代，大数据成为像石油一样重要的资源，从根本上改变了企业运营、创新以及价值创造的方式。在大数据的赋能下，企业有机会以更低的成本、更高的效率和更灵活的方式开展经营活动，并创新产品、服务和商业模式，这有利于企业的成长并构建竞争优势。尤其是为了应对包括新冠肺炎疫情在内的市场环境的急剧变化，大数据的广泛应用将为不断涌现的新商业模式和新管理举措带来更多机遇。

不过，大数据的应用也伴随着若干挑战。大数据的“5V”特征之一就是价值（Value）密度低，在海量数据快速积累的同时，有价值的数据所占比例却在降低，这使得大数据的价值实现并非易事。让许多企业管理者深受困扰的问题之一就是，如何才能更好地基于大数据开展管理创新活动，从而实现大数据的业务价值？

以阿里巴巴平台生态系统中的大数据应用为例，早在2011年阿里巴巴就基于其海量交易数据推出了数据产品平台“生意参谋”，通过数据披露、分析、诊断、预测等帮助商家推进数据化运营。之后，阿里巴巴又陆续推出了“御膳房”、“达摩盘”、“品牌数据银行”等多个数据平台，帮助商家和品牌进行数据管理。不过，我们在调研中发现，同样是在阿里巴巴平台上开展业务，有些企业像韩都衣舍、三只松鼠等在大数据赋能下实现了令人瞩目的成长，而很多企业不能有效地将大数据与业务对接，大数据分析的结果难以转化为创新绩效，大数据的价值并未得到充分体现。

我们认为，大数据并非灵丹妙药，其价值实现也非一蹴而就。从海量数据到企业的管理创新活动，再到经营绩效的提升，这一转化过程是由前后相继的若干价值增值活动构成的。本文将借鉴价值链理论，对这一转化过程进行初步探讨。价值链的概念由迈克尔·波特（Michael Porter）于1985年提出，强调企业的价值创造是通过一系列活动实现的。这些互不相同但又相互关联的生产经营活动，构成了一个创造价值的动态过程，即价值链。

基于企业调研和学术研究，我们在本文提出“大数据创新价值链”的理论框架。我们认为，大数据赋能下的企业管理创新是一个环环相扣的过程，包含了多个前后相继的价值增值阶段。只有确保每个阶段的顺利实施和不同阶段间的有效衔接，才能实现大数据的价值增值，使“大数据”产生“大影响”。
大数据创新价值链

我们将大数据赋能下企业管理创新活动所必须包含的“数据→洞察→行动→结果”这一环环相扣的过程称为“大数据创新价值链”（如图1所示）。具体来说，大数据创新价值链的主要活动包括三个阶段。第一个阶段是“生成创新洞察”，这实现的是从数据到洞察之间的转化。第二个阶段是“开展创新活动”，基于洞察，企业制定管理创新策略，并将这些策略落地执行。在第三个阶段“评估创新效果”中，企业对管理创新活动的执行效果进行监控和评估。

此外，大数据创新价值链的实现还需要大数据基础设施建设（如大数据中心）、大数据软硬件产品开发、大数据安全与隐私管理、大数据人才培养等一系列支持性条件，这些条件在大数据的价值增值过程中起到了重要的、不可或缺的辅助性作用。

大数据创新价值链中的主要活动

阶段一：从数据到洞察

在大数据应用项目中，企业首先需要结合自身战略，初步确定业务需求，大数据的价值实现将围绕这一业务需求来进行。在“生成创新洞察”阶段，企业将实现从“大数据”到“创新洞察”之间的转化，其中的主要活动包括数据获取与处理、标签体系构建和数据分析等。该阶段的结果是创新洞察的生成，也就是说，围绕企业的业务需求，创新的想法在大数据分析中浮现出来，并具有发展成为新产品、新服务或新商业模式的潜在可能。该阶段对于大数据的价值实现来说极其重要，因为它决定了企业基于大数据开展管理创新活动的可能与方向。

基于自身战略和业务需求，企业需要确定合适的数据源，并获取所有相关数据，这可以包括企业自己拥有的数据，如交易数据、客户关系管理（CRM）数据、运营数据等，也可以包括从市场获得的第三方数据。企业既可以与大数据服务提供商、数据源企业等开展合作，获取所需数据集的使用权限用于分析；也可以通过爬取电商平台、社交平台、垂直专业平台等多个数据来源的海量数据，充分利用大数据多方面来源的特点，逐渐建立起自己的数据资源。在获取数据之后，企业还需要通过比如去除不完整的或重复的信息及识别用户的唯一性等操作来进行数据清洗，以确保用于后续分析的数据质量。

在从数据到洞察的转化中，标签体系的构建是实现大数据价值增值的必要步骤之一。建立标签体系，就是对人、物、事或场景的显著特征进行分类、提炼、总结的过程，这有助于企业更好地洞察和理解消费者的需求与行为。标签体系的建立，在初期需要大量的人工标注工作作为基础。由于不同的业务场景往往会有不同的标签体系，因此要基于大数据来获取商业活动中与产品、品牌、消费者态度、人力资源等与數据使用场景相关的知识，只有基于恰当的标签体系才能得到更加深刻的洞察；如果没有恰当的标签体系，大数据分析则容易流于通用型的知识，而难以契合于企业的特定业务场景。

在数据分析中，企业将应用数据挖掘算法、预测性分析、可视化分析、语义引擎管理等技术，对杂乱无章的数据，根据业务场景的特征进行萃取、提炼和分析，构建相应的数据模型；或者采用自然语言处理、机器学习等技术，对所获取的数据进行深入分析，发现数据之间的相关性，从而得到关于特定业务场景的新知识或新见解。

阶段二：从洞察到行动

创新洞察意味着关于产品、服务和商业模式的新知识、新见解，这构成了企业管理创新活动的基础。在“实施创新活动”阶段，企业将实现从“创新洞察”到“创新行动”之间的转化，其中的主要活动包括策略制定和执行落地。首先，创新洞察有助于催生各种创新想法。随着各种创新想法在企业内部或者企业与大数据服务提供商的协作中被充分讨论和评估，企业将基于自身的战略目标和能力选择特定的产品、流程或商业模式开展管理创新活动。一般来讲，为了达成某个业务目标，可能会有几种不同的创新策略可供选择。例如，要想提升某款产品的销量，可供选择的策略可能会包括投放广告、网红直播带货、创新产品包装、甚至产品升级换代等多种方案，那么企业究竟应该选择哪种方案，就需要业务部门结合自己的业务实际，基于创新洞察进行仔细讨论和评估。因此，在该阶段中，制定恰当的管理创新策略是极为重要的决策活动。

其次，当管理创新活动的策略确定之后，企业还需要将这些策略落地执行。例如，基于消费者洞察，如果企业选择数字化广告这一营销手段，那么就需要设计具有针对性的广告内容，确定恰当的广告投放渠道和时机，实现精准的消费者匹配，才能做到营销的“千人千面”。值得提出的是在随着数字经济的兴起和数字化转型的深入，从洞察到行动的转化正日益受到大数据资源和技术的影响甚至驱动。以营销行业为例，网络媒体广告所占比重已经开始超过传统媒体广告。企业在决定与落实营销策略时已经无法忽视网络媒体广告，而针对网络媒体包括社交媒体在内的大数据资源的获取与利用无疑是网络媒体广告投放的决定性因素之一。

阶段三：从行动到结果

落实管理创新活动并不意味着大数据应用的结束，为了形成完整的闭环，企业还应该对管理创新活动的结果进行评估。在“评估创新效果”阶段，企业将实现从“创新行动”到“创新结果”之间的转化。对于企业来说，管理创新活动可以对收入端（通过差异化的产品和商业模式）和成本端（通过效率的提升）产生正面影响，从而给企业带来更强的竞争优势。而这些变化又在许多方面可以反映到可以利用大数据技术来测量的指标上，因此企业可以基于持续的大数据获取工作，以管理创新活动开展的时间作为分界点，对这些指标进行项目开展前后的对比分析，进而帮助企业对管理创新活动的结果进行评估。

大数据创新价值链中的支持性活动

我国政府高度重视大数据基础设施建设。在贵州、京津冀、珠江三角洲等多个省市和地区成立的大数据综合试验区和大数据产业园，成为集聚产业资源的重要载体。在“新基建”中，不仅大数据中心对大数据创新价值链直接起到了支持性作用，而且像5G网络、人工智能、工业互联网等基础设施的建设也将为消费、金融、工业、医疗健康等领域带来成百上千倍的数据增长，这将进一步为企业的管理创新提供赋能作用。此外，云计算服务为大数据的存储、快速处理和分析挖掘提供了基础能力，并降低了企业大数据应用的成本，也是重要的基础设施之一。

除基础设施建设之外，企业的大数据赋能创新还离不开其他支持性活动，这包括与大数据相关的软硬件开发、大数据安全和隐私管理、大数据人才培养等。例如，从大数据人才的角度来讲，在大数据赋能创新的主要活动中，数据分析师的技术工作固然重要，但如果他们缺乏对业务的深刻理解，那么技术工作将成为无本之木。同时，企业中的管理者和业务人员也不应囿于传统的创新思路和做法，而应该理解大数据技术的特點，拥抱大数据所带来的思维变革。
大数据创新的不同模式

在大数据赋能创新的价值增值环节，企业会把某些增值活动放在组织边界之内来进行，而把另外一些增值活动交给大数据生态系统中的其他企业来完成，业务边界选择指的就是这两类增值活动之间分界点的选择。大数据创新价值链为我们提供了一个理解大数据生态系统中企业之间关系和业务边界选择的视角，从而有助于我们理解企业如何更好地开展大数据赋能创新。我们将重点讨论五种类型的大数据创新模式。

咨询型大数据创新模式

在大数据赋能创新中，最常见的模式之一就是大数据服务提供商聚焦于“生成创新洞察”。基于客户企业的业务需求，大数据服务提供商收集多来源的海量数据，通过对数据的处理和分析，从中发掘消费者洞察，并将其作为“产品”提供给客户企业；客户企业则基于消费者洞察自行（或与其他机构合作）实施管理创新活动。在这种模式中，大数据服务提供商的角色类似于传统的咨询公司，帮助企业在“大数据”和“创新洞察”之间建立了桥梁，因此我们将其称为“咨询型大数据创新模式”（如图2所示）。

咨询型大数据创新模式之所以在大数据服务领域较为常见，是因为在这种模式下，大数据服务提供商的进入门槛较低。在大数据服务刚刚兴起的阶段，许多具有较强技术背景的创业者成立的大数据服务提供商都采用了这种模式。通过这种模式，即使是大数据技术能力较为欠缺的客户企业（尤其是中小企业），也能够尝试在大数据的赋能下开展管理创新活动，在大数据时代中成为率先“吃螃蟹”的企业。不过，咨询型大数据创新模式也存在风险。有的大数据服务提供商过于追求技术驱动，擅长数据挖掘和数据分析相关的技术，但对特定行业领域和特定企业的业务缺乏理解，技术与业务之间的不匹配造成了大数据创新价值链中“洞察”与“行动”之间的脱节，因而难以达成客户企业预期的结果，甚至会导致较高的大数据项目失败率。

嵌入型大数据创新模式

对于信息化基础较好的企业来说，他们有实力在传统IT能力的基础上构建自身的大数据能力，因此可以在IT部门中打造大数据团队，甚至建立专门的大数据部门。此时，大数据相关的工作将由企业内部的大数据部门和业务部门合作完成。大数据部门基于业务部门的需求，收集多来源的海量数据，依次开展“生成创新洞察”、“开展创新活动”和“评估创新效果”的三阶段活动。在这种模式中，“嵌入”在企业组织内部的大数据部门承担了大数据服务提供商的角色，并向业务部门提供大数据赋能活动，因此我们将其称为“嵌入型大数据创新模式”（如图3所示）。

嵌入型大数据创新模式对客户企业的大数据能力和信息化基础具有较高要求，其优点在于企业可以自主掌控大数据创新价值链的主要环节，因此具有较强IT和业务实力的企业（尤其是大型企业）更倾向于采用这种模式。此外，一些领先的新兴企业（如在阿里巴巴平台生态系统中发展起来淘品牌公司）诞生之时就处于数字化时代，是数字化时代的“原住民”，有更多机会在企业内部建立较强的大数据能力，因此也会采用这种模式。

韩都衣舍是嵌入型大数据创新模式的典型案例。韩都衣舍在电商业务初期，就将企业的信息化工作放到极为重要的位置，先后开发了订单管理系统（OMS）、库存管理系统（WMS）、供应链管理系统（SCM）等多个业务系统，对企业运营实现了全面的数字化覆盖。基于这些业务系统中的运营数据以及从阿里巴巴等外部渠道获取的海量数据，韩都衣舍在下一代业务运营系统（HNB）中建立了“爆旺平滞”的判定模型，即判断一款产品属于爆销款、旺销款、平销款、还是滞销款，并以此为依据进行销售策略、生产策略的调整。例如，在某款服装上架后的较短时间内，HNB系统会基于“爆旺平滞”模型对其进行判别，其中被判别为爆销款和旺销款的产品会追加生产，平销款与滞销款的商品会打折与清仓，释放库存压力。通过这样的方式，韩都衣舍首单生产的产品往往只有几百件，而追加生产可能达到数万件，这极大降低了库存成本和滞销成本。并且，韩都衣舍可以在这个过程中以消费者实际购买行为作为依据，不断进行销售策略和生产策略的调整。

拓展型大数据创新模式

在大数据生态系统中，数据源企业占据着极为重要的作用。数据源企业往往属于平台型企业，自身的业务可能五花八门，如电子商务（淘宝、天猫、京东）、社交媒体（微博、微信）、搜索引擎（百度）等。随着大数据的兴起，数据源企业逐渐积累了海量数据，并赋能客户企业的管理创新活动。由于数据源企业一般都具有较强的技术实力，因此他们有能力开展大数据分析活动，来为客户企业提供创新洞察；此外，数据源企业自身往往拥有流量入口和营销渠道，因此他们可以基于大数据创新洞察，为客户企业提供广告、直播等营销活动并评估其营销效果。在这种模式中，数据源企业所涉及的业务领域从原本的电子商务、社交媒体、搜索引擎等业务“拓展”到了大数据服务领域，并专门成立大数据相关部门，为客户企业提供赋能活动，因此我们将其称为“拓展型大数据创新模式”（如图4所示）。

阿里巴巴是拓展型大数据创新模式的典型案例。作为中国最大的电商平台，阿里巴巴沉淀了海量的关于消费者、商品、交易等多方面内容的数据。随着数字化时代的到来，阿里巴巴首先经历了业务数据化阶段，在数据积累的基础上，阿里巴巴围绕电商业务开展数据分析，并服务于阿里巴巴内部的业务部门和管理层，帮助集团降低成本、提升运营效率和服务质量。之后，阿里巴巴经历了数据业务化阶段，阿里巴巴集成了自身的平台数据和外部数据，建立了“生意参谋”、“阿里妈妈”、“阿里数据”等多个大数据平台，从而将业务从电子商务领域拓展到大数据领域，通过技术输出形成新的商业模式，在数字化营销、数字化创新、数字化转型等方面服务于阿里巴巴平台生态中的电商企业和大量的传统行业用户。在这个过程中，阿里巴巴作为数据源企业，实现了与客户企业基于大數据的价值共创。

运营型大数据创新模式

在大数据兴起之前，企业已经广泛接受了将自己核心能力之外的非核心业务交给其它企业代为运营的做法，以取得更大的效率和效益。随着大数据时代的来临，对大数据应用心有余而力不足的企业会基于同样的考虑和逻辑，将与大数据相关的业务流程外包给大数据服务提供商，从而实现对自身的管理创新。传统的业务流程外包（BPO）服务提供商也会利用自身对特定行业和业务的深刻理解，积极结合大数据资源和能力对自己提供给的外包服务予以改造和重组，以期更好地服务于客户企业。更引人注目的是几乎在所有行业，随着大数据的兴起，新兴公司凭借在大数据上的优势，抛弃原有行业桎梏，强势吞噬着传统业务流程外包服务提供商的生存空间。我们将这种模式称为“运营型大数据创新模式”（如图5所示）。

这一模式在广告服务行业表现得极为明显。大数据为企业直接触达消费者并且持续和消费者互动创造了条件。许多传统广告公司积极谋求转型，向大数据业务靠拢。不过，由于广告服务提供商往往缺乏大数据分析方面的技术能力，他们会采取与数据源企业合作的方式，由数据源企业提供基于大数据分析的消费者洞察，然后广告服务提供商在多个不同的平台和渠道来开展广告投放和营销活动，从而将消费者洞察落地实施。更有一批诞生于大数据时代的服务商，依据数据源企业提供的消费者洞察，凭借自己对大数据时代直接面向消费者的营销特点的深入理解，基于数据为企业提供日常的消费者运营服务，比如电商运营和社交媒体运营等。这也就是现在讨论比较多的私域流量运营服务。在这种模式中，广告服务提供商都是依托自身的业务能力，结合数据源企业提供的数据和洞察，根据不同的场景和媒体触点，为企业提供直接针对消费者的运营服务，提升消费者对于品牌的认可度，促进潜在的销售转化。

专业型大数据创新模式

随着大数据行业的发展，大数据服务的趋势之一就是专业化程度的提升。例如，咨询型大数据服务提供商将不满足于仅仅为客户企业提供消费者洞察，而希望将业务拓展至后续的管理创新活动上。在前述的嵌入型大数据创新模式中，企业的大数据部门在条件成熟时也有机会独立出来从事专业的大数据服务业务。例如，美云智数就是脱胎于美的集团的IT部门，现在已经发展成为国内领先的云计算和大数据服务提供商，为多个行业的客户企业提供大数据创新赋能服务。当然，也有的大数据服务提供商从成立之初，就致力于为客户企业提供完整涵盖“生成创新洞察”“开展创新活动”和“评估创新效果”的大数据价值增值服务。在这种模式中，大数据服务提供商打通了“数据→洞察→行动→结果”这一环环相扣的链条，为客户企业提供更加专业化的服务，因此我们将其称为“专业型大数据创新模式”（如图6所示）。

宏原科技是专业型大数据创新模式中的一个典型案例。宏原科技成立于2013年，其创始人团队曾先后在宝洁、美赞臣等跨国企业从事营销管理工作。随着传统营销方法论受到大数据技术的冲击，宏原科技在成立之初就不是聚焦于大数据技术本身，而是希望以大数据技术作为工具来更好地解决客户企业的业务问题。因此，宏原科技致力于从消费者作为“人”本身入手进行营销分析与决策，并将洞察结果直接付诸行动，使其产生价值。宏原科技的做法有两个方面的创新。首先，实现全景洞察。宏原科技对于消费者作为“人”的研究不单单局限于与产品相关的行为上，而是通过多渠道获取的大数据针对消费者进行全景洞察，了解消费者的生活习惯、消费习惯、消费场景以及消费心理等，将一个人全方位、立体化地展现出来，除了产品设计之外，在推广中也能够给客户企业清晰的指引。其次，洞察直达行动。借助互联网的平台，宏原科技将基于大数据的市场洞察直接转换成为广告投放或者消费者运营等营销活动，并通过数据监测营销行动的结果，快速进行调整。这解决了传统广告营销模式中数据、市场洞察、营销行动及效果监测各个环节割裂的情况，让数据连接营销全过程，并且为營销全链路赋能。
识别与克服大数据赋能创新中的“短板”

与传统ERP项目类似，企业的大数据项目也并非总能获得成功。2016年，Gartner估算约60%的大数据项目都会失败。一年后，Gartner又有分析师表示，这个数字“过于保守”，大数据项目的实际失败率应接近85%。那么，这些失败的大数据项目究竟是在哪个环节出现了问题？大数据创新价值链模型可以帮助企业管理者识别并有效地克服大数据项目中的“短板”。

首先，有的大数据项目在“生成创新洞察”阶段出现了短板，这导致企业未能准确获取关于消费者或特定业务场景的新知识和新见解。导致“洞察短板”的原因可能在于技术方面，但更普遍的原因是与业务相关。如果仅仅是企业自身在大数据技术方面能力不足而导致了“洞察短板”，那么行之有效的解决方案就是与大数据服务提供商和数据源企业开展合作。不过，在选择合作伙伴时，有的客户企业将选择标准聚焦于大数据服务提供商和数据源企业的技术能力方面，而忽视了在行业领域的经验，这同样容易导致“洞察短板”。所有洞察的产生都是在企业的战略和业务需求的指导下进行的。企业容易遇到的问题之一就是未能准确分析业务需求，因而使得数据收集、数据分析等方面缺乏目标和针对性。事实上，在“生成创新洞察”阶段，需要客户企业以及大数据服务提供商对业务需求、业务场景和所在行业具有深入和恰当的认知，才能提出最精准的问题，并从数据分析结果中发掘最本质的洞见。

其次，有的大数据项目在“开展创新活动”和“评估创新效果”阶段出现了短板，因而导致创新洞察未能有效转化为创新行动，常见的原因包括以下几个方面。首先，有的传统企业对数字化时代新兴的经营方法（如内容营销、移动营销、直播带货、众筹、开放式创新等）并不熟悉，而且这些数字化的经营活动产生了大量关于消费者态度和行为的数据，很多企业缺乏意识和能力把这些海量的数据转化为洞察、并转化为切实可行的管理创新方案。此时，企业可以考虑采用运营型或专业型大数据创新模式，与深谙行业特点的大数据服务提供商开展深入合作。其次，有的企业在开展大数据应用项目时，过于聚焦在营销方面，而忽视了其他的创新策略。例如，除了营销方案之外，针对产品本身的创新活动也可能是可行的策略，这包括现有产品的更新迭代、产品本身不变但定位的调整、甚至引入一整套新的产品等。此时，企业就需要将产品研发相关的专家纳入大数据项目团队，集思广益，确保选择最优的解决方案。此外，还有的企业忽视了大数据项目的连续性，没有对大数据赋能的管理创新活动的结果持续跟踪和评估，因而大数据项目未能形成完整的闭环。因此，我们建议企业建立大数据赋能下的组织惯例，这有助于构建数字经济时代的组织运营能力和动态能力。
依托大数据新基建，构建企业大数据创新能力

毫无疑问，大数据成为当前商业中最重要的赋能要素之一。随着我国“新基建”的蓬勃开展，5G、工业互联网、人工智能等新兴技术所带来的数据量将是百倍、千倍的增长，因而大数据中心的重要性也将日益凸显。不过，如何从大数据中发掘价值，始终是企业面临的严峻挑战。在《大数据时代》一书中，迈尔-舍恩伯格和库克耶强调了数据、技术与思维在大数据价值链中的三足鼎立。我们相信，如果企业可以遵循“数据→洞察→行动→结果”这一环环相扣的价值增值链条，结合企业自身的战略与业务需求，选择合适的大数据服务模式，并弥补价值实现过程中的“短板”，那么将在大数据的赋能下，依托大数据新基建，建立自身独特的大数据创新能力，实现更加持续的竞争优势。

换言之，为了更好地实现大数据的增值过程，大数据创新价值链上所涉及的企业需要具备一定的组织能力，甚至根据大数据创新的需要，对企业的组织进行升级和迭代，实现企业的数字化转型。传统意义上，数据仅仅是企业经营活动过程和结果的量化体现。但是，在大数据时代，在前面讨论的大数据创新模式中，数据本身就是企业经营中的一个生产要素，和企业内流动的物理的生产要素共同支撑企业的经营活动。因此，大数据价值链的组织创新不仅仅是在组织中构建数据能力的问题，而是把数据作为一个要素，链接起企业的经营活动，从意识、流程和能力方面对企业的组织进行升级迭代，构建企业的大数据创新能力。

需要强调的是，大数据创新模式的构建往往需要企业对现有的流程和组织进行调整，重新定义现有部门的职责、重组流程、甚至重新划分预算和制定关键绩效指标（KPI）。我们在本文中提出的大数据创新价值链为这方面的努力提供了一个行之有效的框架。在过去几年中，我们看到一些企业，如宝洁、欧莱雅、联合利华等公司，都在这些方面进行了很大的调整和变革，比如设立了首席数字官（CDO）或者成立了数据中心（Data Hub）等部门。他们所采取的措施的核心思想都是从更高效地实现跟消费者互动的目标出发，更有效地整合和连通不同来源的数据，以实现数据、洞察、行动和结果的一体化，提升经营活动的效率，推动企业的数字化转型。在组织能力建设方面，这些公司一方面着手构建数据科学方面的团队，另一方面也引入外部的大数据服务提供商，在实践中通过合作提升自身的大数据创新能力。

这些公司的实践也说明企业的大数据创新能力不是一个部门的能力，而是公司整体能力在大数据时代的迭代。大数据创新能力建设的起点应该从公司整体的业务出发，了解在企业的经营活动中产生了哪些数据，这些数据的特征是什么；再以终为始，从企业的经营需求出发，了解提升企业的经营业绩需要数据发挥什么作用，还缺失什么外部数据，不同来源的数据如何实现联通？这就要求企业从创造价值的角度出发，结合企业战略和经营活动的需要，并结合企业的实际情况，选择企业自建和依靠外部专业服务机构共建的方式，全方位地构建所需要的新能力。这既包括数据基础设施的建设，也包括企业大数据创新价值链其它主要环节及辅助环节如数据治理架构、数据输出标准等方面的努力。

基金项目：北京市社会科学基金项目（16YJC058）

作者：李亮 邓亚晴 史建明 张炜

大数据优势电子商务论文 篇3：

大数据视域下社会治理：机遇、挑战与创新

摘要：以满足人民日益增长的美好生活需要为核心诉求的社会治理现代化是国家治理现代化的应有之义。大数据为社会治理由结果治理转向全程治理、由主导治理转向多元共治、由经验治理转向智能治理提供了机遇，为社会治理体系的完善和社会治理能力的提高提供了路径选择。与此同时也带来了公共权力边界扩张、陷入大数据困境、公民个人隐私暴露的风险，对社会治理提出了巨大的挑战，形成社会治理安全隐患。因此，要使用好大数据这把“双刃剑”，应以满足人民日益增长的美好生活需要为出发点、以法律为底线、以安全为准则、以社会善治为社会治理的最终目标，把握好社会治理创新的机遇，合理规避治理风险，提高社会治理的效果。

关键词：大数据；社会治理；公共权力；社会善治

当前，大数据已经成为社会各个领域探讨的“热词”，美国政府将大数据称为“未来社会发展的新石油”，英国政府认为“大数据时代将开启下一次工业革命”。在我国，大数据也已经提升到国家战略层面，十三五规划明确提出“实施国家大数据战略”。之所以将大数据与社会治理联系起来，一方面是大数据的采集挖掘、整合分析、共享推送等特性与治理理论的多元化、扁平化、协作化等内涵是契合的，与打造共建共治共享的社会治理格局的目标是相符的。另一方面，大数据已经开始渗透进公共生活中，为处理国家与社会关系提供了“社会——技术”新视域，深刻影响着社会治理的方方面面，未来将对社会治理带来更加深刻的变化。

一、大数据给社会治理带来的机遇

大数据的兴起是一个“动态扩散的过程”[1]，从软件信息行业扩散至工业经济、社会生活等领域。以互联网、物联网、云计算的综合应用为特点的大数据时代的到来给国家和社会发展带来了深刻变革，尤其在社会治理方面。当前，我国的社会治理正在由传统的以政府为中心的一元治理体制向以政府为主导的以其他社会组织协同治理的模式转变，大数据不仅作为一种技术手段更作为一种社会范式，为当前我国社会治理的转型与创新提供了前所未有的契机。

（一）大数据为社会治理逻辑由结果治理转向全程治理提供思维动力

当前的社会治理是在社会转型期间社会问题多发、社会矛盾多样、社会风险累积的倒逼下发展起来的，即“发生——解决”的治理模式，是典型的治标不治本的结果治理模式。这种模式的社会治理，解决了显性的社会问题，但对隐性的社会风险没有做到防范性治理。造成这种治理模式的原因，一是政绩型的治理理念下的“统一领导、分级负责、综合协调、属地管理”方式，对社会问题进行模块化、层级化治理，是对结果的被动应对式治理，并没有对社会问题进行源头治理，难以从根本上解决社会问题。二是受“重应对、轻预防、重权力、轻技术”的传统社会治理思维的影响，沿用传统的方法和技术，缺少对现代治理技术的研究和应用，治理技术性不强。而“有预见的政府做两件根本性的事情。它們使用少量钱预防，而不是花大量钱治疗；它们在作出决定时，尽一切可能考虑到未来”[2]。因此，社会治理不仅仅是对显性的社会问题的结果治理，更应该是针对从源头到过程再到结果的全程性的主动积极高效的治理。

大数据技术一方面通过客观的规律分析规避了传统抽样分析的主观性和偏好性，另一方面通过全数据样本实时跟踪分析提高了数据分析的效率和精准度。大数据的分析思维改变了传统社会治理的“原因——结果”式分析模式，由静态到动态、由封闭到开放、由事后到事前，注重社会治理的关联性和整体性，为社会治理提供了全程治理这种新的思维模式。

（二）大数据为社会治理结构由主导治理转向多元共治提供共识基础

中国的治理文化特殊性、治理环境复杂性和治理内容内生性[3]，使得单纯强调社会作用的“强社会”下的社会自主治理模式和单纯强调国家作用的“强国家”下的国家主导治理模式都不适用于当前的中国社会发展，强国家与强社会的国家与社会多元共治模式越来越受到学界的关注和讨论。多元共治就是用“强国家——强社会”理论处理国家与社会的关系，形成共建共治共享的社会治理新格局。

大数据为社会治理共识的达成提供了可能性和现实性。大数据为社会治理提供了新的问题描述方式，成为一种新的社会范式。大数据是客观的，大数据改变了传统的自上而下的数据抓取方式，减少了层级体制对数据收集的损耗，避免了官僚主义政绩观下的数据失真；大数据是理性的，理性是政治活动和社会生活的基本要求，个人的理性是有限度的，由人组成的治理主体的理性也是有限度的，大数据理性则不受个人和组织的影响；大数据能够呈现一定的规律，大数据着重对海量样本的相关性分析，找出客观规律，自下而上地呈现问题。因此，大数据具备作为社会治理共识的基本要素、基本结构、基本功能，能够为治理主体提供不争的客观事实，使得国家与社会在共识的基础上致力于对社会的治理，既避免国家管控嫌疑，又为社会力量提供治理依据，让“政府的归政府、社会的归社会”[4]，形成政府与社会良性互动共治共赢的治理状态。

（三）大数据为社会治理方式由经验治理转向智能治理提供技术支持

大数据为智能社会治理提供了强有力的技术支持。一方面大数据提供网络平台技术支持，当前国家正在着力打造大数据驱动下的社会治理平台，在很多地方已经应用并且收到很好的效果，大数据为社会治理提供了信息交换场所和公共事务处理窗口。通过技术终端，公民随时随地上传分享、了解掌握各类社会信息，尤其是道路交通、科教文卫、衣食住行等与生活密切相关的信息。通过电子政务创新，政府推送各类公共服务APP，将公共服务标准化、程式化、便捷化。另一方面大数据为决策提供技术支持，智能化决策意味着更加精准的数据获取、更加适当的工具方法、更加明确的目标分析、更加简短的处理时间、更加优化的解决方案以及更加及时的结果反馈。大数据“用数据说话、用数据决策、用数据管理、用数据创新”，通过对海量数据精准的分析挖掘出核心数据与基本规律，能够高效的完成智能化决策。在大数据时代，“决策者们做出的决策越来越取决于数据及其分析的结果，而不是经验和直觉”[5]。

（四）大数据为完善社会治理体系提高社会治理能力提供路径选择

大数据能够为多元共治的治理体系提供合作基础，能够为各治理主体提供权力清单，能够为治理提供现代化平台。大数据提供的数据是治理的主要内容，治理主体通过一致认可的客观数据达成目标，提高了社会治理的效能；借助大数据可以实现社会治理负面清单、权力清单和责任清单的透明化，避免治理主体的权力虚置；大数据与云计算、互联网、移动终端的结合，为社会治理体系提供全面的、开放的、互动的、共享的现代化社会治理平台，有更加便捷、更加精准、更加全面的优势。大数据能够为社会治理能力提高提供路径选择，促进社会治理能力现代化，是社会治理主体的现代化，是社会治理方式的现代化。大数据作为一种新的社会范式，对社会进行新的描述，向社会治理主体呈现数字化的社会状态，将复杂的问题简单化，将模糊的问题精细化，给社会治理主体带来现代化的数据思维。事物的发生发展过程具有诸多已知和未知的影响因素，各影响因素之间相互关联，错综复杂，目前的技术手段很难全面掌握。然而，大数据记录着事物从产生到现状的基本信息，不必通过原因或者结果，通过对数据进行关联性分析，可以掌握其中蕴含着的一定发展规律，社会治理主体借助这种现代化的分析方式能够对社会治理进行预防式治理、前瞻性治理。

二、大数据给社会治理带来的挑战

大数据迅速渗透到公共生活中，对人们的行为观念造成深远的影响，带来了前所未有的社会价值。尽管大数据为社会治理带来了思维转换、结构调整、主体变化等等，但归根结底大数据只是工具，“作为一套现代技术编织成的资源架构”，大数据一方面对社会现象做数据采集、规律分析、过程描述和前期预判，将数据转化成结构性的有价值的社会问题，另一方面大数据也可能为利益集团所使用甚至操控，超出法律和制度范围外的使用会给社会治理带来巨大的隐患和风险。对于法治完备、制度成熟、机制完善的社会而言，大数据有利于实现治理的高效、便捷、精细、透明，增加社会治理的效能；对于社会发展不充分、国家自主性较弱、公民素养不足的社會而言，大数据则可能加重社会的不稳定性，挑战原有的社会互动模式，冲击社会秩序和合法性。因此，如何面对大数据这把“双刃剑”，以什么方式使用大数据，对社会治理来说是重大的挑战。

（一）大数据给社会治理带来公共权力边界扩张的风险

大数据让社会资源为大数据所牵引，公共权力主体在大数据的冲击下可能改变既往的权力特征，缺乏数据资源的弱势主体权力可能被侵吞或剥夺，占有数据资源的强势主体权力可能被强化，其权力目的和权力意志更容易实现，使公共权力扩张具有可能性和现实性。大数据资源优势占有者借助大数据工具，提高了对社会的资本占有、技术占有、空间占有、话语占有，大数据让这些占有变得迅速和便宜，也就加速了公共权力的扩张速度。谁占有资源谁就占有了权力，公共权力的所有者一旦被剥夺资源，就会被替代，大数据作为网络信息化社会的重要资源，一旦被占有或剥夺，也就导致了公共权力的竞争和替代。大数据已经成为公共权力重要的一环并参与其中，大数据嵌入公共权力之中使得公共权力被估值，公共权力的数据化加剧了公共权力走向资本交易的风险，市场化的权力资本交易可能带来权力的扩张甚至垄断。大数据的市场化也会干扰公共权力的理性，大数据是为人类理性发展需要而产生的，是为了弥补人类理性的限度而被使用的，但大数据的不当使用、垄断、交易可能导致公共权力丧失理性。总之，公共治理主体多元化是现代化社会治理的基本主张，公共权力主体多元化可能导致权力边界不清晰，在大数据的强势介入下可能会造成公共权力的扩张。

（二）大数据给社会治理带来数据困境的风险

大数据本身只是社会治理的工具，但是“进行大数据分析的人可以轻松地看到大数据的价值潜力，这极大地刺激着他们进一步采集、存储、循环利用我们个人数据的野心”[6]，这就给大数据的使用造成了漏洞和风险。使用分析大数据的人具有理性和非理性，人类很可能在使用大数据时陷入自身的限度和困境，误用、滥用、非法使用大数据从而陷入大数据困境、构成大数据黑洞。这其中：可能造成大数据浪费，大数据发展之迅速为前所未有，大数据信息量之巨大为前所未有，但是我们能够分析和利用的只是其中的一小部分，对整体大数据的开发和应用还远远不够；可能造成大数据壁垒，各个组织间的数据独占，或因为技术手段的落后导致数据不敢开放或因为自身利益因素导致数据不愿开放，而形成了条块分割的信息孤岛；可能造成大数据鸿沟，大数据优势占有者和劣势占有者之间的数据资源差距，差距越大鸿沟越大，占有者之间的资源不平等会导致权力不平等，形成数据的贫富差距；可能造成大数据暴力，当数据积累到一定的程度，个体对数据甄别与筛选的成本过高，造成对数据的绝对相信，反而酿成社会危机事件造成社会风险。

（三）大数据给社会治理带来公民个人隐私暴露的风险

大数据时代，在人们从大数据上获得更多便利的同时，他们也将个人的思想语言、行为习惯、价值偏好等不自觉的融入到大数据中，无论从工作到学习、从购物到出行、从社交到运动，几乎所有行为都被大数据捕获并进行频繁、普遍、精准的数据分析，大数据不仅从社会成员处直接获得数据，更能够通过数据关联性分析，挖掘到更深层次的个人隐私。大数据打破了私人领域和公共领域的界限，使得“私人领域和公共领域形成共同的数据基础”，人人都可能变成“透明人”，而平衡公共利益和个人利益之间关系的隐私权保护机制并没有建立。大数据给公民带来隐私暴露的风险：在道德层面，隐私是与人类尊严不可分割的天赋的条件和权利，在大数据条件下，隐私则超越了“不愿为他人干预或不便为他人入侵”的领域，成为了被收集挖掘、被分析预测、被全面监控的公共数据；在法律层面，隐私权是个人的基本权利，在现实社会生活中隐私权得到了很好的保护，但是在大数据空间，数据虽然往往以定量数值、趋势预测的形态呈现，但是这种呈现并没有经过单个数据样本也就是个人的同意，而大数据的挖掘功能又能够通过数据的关联性找出个体数据样本，在这一过程中并没有法律对个人隐私进行界定和保护；在政治层面，大数据忽视人的政治隐私权利，匿名表达权、选举隐私权、监督隐私权、罢免隐私权等等因大数据的存在而被忽视，甚至有被大数据挖掘而暴露的风险，个人产生的政治数据有超出个人控制范围进而演化成政治交易的商品的风险，大数据把政治活动变成了透明的政治、透明的政治人和透明的政治隐私。

三、大数据视域下社会治理创新路径

一方面，大数据已经开始深刻影响和改变了国家与社会的关系和人类的公共生活，另一方面，大数据也对社会治理提出了更深层次的挑战和要求。抓住大数据给社会治理带来的新的发展机遇，防范大数据给社会带来的潜在风险，探究大数据视域下社会治理创新路径，对当前打造共建共治共享的社会治理格局，加强社会治理制度建设，完善“党委领导、政府负责、社会协同、公众参与、法治保障”的社会治理体制，提高社会治理“社会化、法治化、智能化、专业化”水平，具有现实意义。

（一）以满足人民美好生活需要为出发点

党的十九大报告指出“我国社会主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾”。与物质文化需要相比，人民美好生活需要的含义更加广泛，不仅包括物质文化方面的硬性需要，也包括对社会和个人发展的软性需要。不仅对客观物质文化提出了“更好的教育、更稳定的工作、更满意的收入、更可靠的社会保障、更高水平的医疗卫生服务、更舒适的居住条件、更优美的环境、更丰富的精神文化生活”等更高的要求，也对主观的美好生活提出了“民主、法治、公平、正义、安全、环境”等方面的相应要求。

因此，一要继续发挥大数据的基本价值满足人民基本物质文化需求。当前大数据不仅能够满足市场经济的发展需求为经济提供数据支持，还能够满足人们的衣食住行的基本需求，经过大数据计算和集成，生活服务、电子商务、金融理财、人工智能、交通地理、气象水利、企业管理、公众事务等等的大数据应用已经深刻改变我们的日常生活，能够满足基本的物质文化需求。二要开发大数据的附加价值满足人民美好生活需要，大数据的深度发掘能够满足人们对社会更高的要求。通过对大数据的相关性分析能够深度发掘出社会成员的政治参与、利益诉求、情感表达、舆论倾向等等方面的状态，大数据在更深层上是有巨大的附加价值的。但在當前显然缺乏人才和技术手段来发现大数据的附加价值，要注重培养相应高端专业的人才，加快大数据与社会学、政治学、心理学、统计学等学科结合的复合型人才的引进和培养。三要规避大数据的困境和风险，为美好生活保驾护航。规避大数据困境和风险要谨记满足美好生活需要的出发点，强化大数据权利与大数据责任统一的大数据治理观念，在享受大数据红利的同时更要注重大数据的共享、安全与风险防范。

（二）以法律为底线

法律是把尺子，社会治理是在这把尺子下协调社会关系、规范社会行为、解决社会问题、化解社会矛盾、促进社会公正、应对社会风险、保持社会稳定的。法律既是社会治理的底线，也是借助大数据创新社会治理的底线，这其中有两层含义：一是大数据推动社会治理领域科学立法。科学立法是依法治国的首要标准，也是推动社会治理法治化的首要条件，大数据面向全体社会公共事务，可以根据需要对社会问题社会矛盾进行数据挖掘分析，为立法提供数据依据。二是社会治理可以推动大数据立法。大数据立法是大数据发展的必要条件，大数据巨大的经济价值和社会价值促使一些组织非法使用大数据，危及公民个人的生命和财产安全，破坏社会公共秩序甚至危害国家安全，因此要把大数据纳入法治轨道，保障“互联网不是法外之地”。国家已经颁布并开始实行的《中华人民共和国网络安全法》是我国第一部全面规范网络空间安全的基础性法律，但没有明确涉及大数据的搜集分析、开发利用、使用监督等方面。因此，要加快大数据立法工作，大数据立法要尊重数据安全原则，保障国家机构、社会组织、公民个人的安全；大数据立法要遵循公平正义原则，保障所有参与者都有平等的地位、适用于相同的法律条例；大数据立法要明确数据权属关系，确立数据人格权（数据知情同意权、数据修改权、数据被遗忘权）和数据财产权（数据采集权、数据可携权、数据使用权、数据收益权）；大数据立法要设立数据监督机构、明确数据使用对象和应用领域，禁止非法的数据交易并注重个人隐私的保护。加速推进大数据立法既能够保障社会治理主体的权力行使有法可依、违法必究，又能够避免大数据困境，保护公民的隐私不受侵犯。

（三）以安全为准则

大数据的4V特征——数据体量大（Volume）数据类型繁多（Variety）价值密度低（Value）处理速度快（Velocity），已被广泛认可，基于此人们在享受到大数据带来的便捷的同时，忽视了大数据的安全风险。一方面，大数据自身的存储安全难以保障，大数据的集中海量存储增加了数据泄露的风险。另一方面，大数据涵盖了各类的数据，包含经济数据、客户信息、个人隐私等等，当前对于数据的所有权和使用权还没有明确的法律和制度规定，另外，大数据的反复使用使得大数据的存储和加工的先后顺序已经被模糊，数据的可扩展性和可延伸性增加了大数据的安全风险。

大数据涉及个人安全、社会安全和国家安全，《大数据安全标准化白皮书（2017）》发布，提出了大数据安全标准的体系框架，为大数据安全提出了指导性的意见，但大数据安全任重道远。在个人安全方面，通过互联网系统和平台的大数据收集应该注重对个人隐私信息的匿名存储，探索个人敏感信息去标志化的方法和技术，规范操作流程，建立个人信息安全标准；在社会安全方面，大数据的开放和共享会产生更大的社会价值，但也可能带来更大的安全隐患，数据安全保障技术不足、数据安全管理能力不足、数据使用方式不当等都可能引起大数据的安全问题，进而导致社会安全漏洞，要加强对数据分享流动过程的充分保护，对各类社会治理主体进行数据安全意识教育、数据安全能力培训，规范数据安全使用流程；在国家安全方面，大数据的跨境流动可以增加全球一体化进程和人类命运共同体的推进，但是大数据本身具有信息价值和可再挖掘价值，一旦出境可能对本国的国家安全造成隐患，“没有网络安全就没有国家安全”，要加快制定数据出境安全标准和数据出境安全评估体系，做好数据出境的风险分析、数据属性分析、安全指数分析，开展出境数据审查。

（四）以社会善治为最终目标

社会善治，是社会治理的良好形态和理想状态，是社会治理的最终目标。社会善治强调政府、社会、公民对社会公共生活的合作治理，是对国家社会关系的最新调试，社会善治蕴含着法治、透明、公平、责任、回应、信任、安全等等要素。实现社会善治，实现政府与社会在社会共治中的良性互动关系，既要给各类治理主体以广阔的发展空间，又要对公共权力做清晰的边界和职能划分；既要保障公共权力的合理高效使用，又要保障私人领域的不可侵犯。从社会管理到社会治理到社会善治，是国家与社会关系的未来走向。“大数据+政府治理”正在引发一次新的政府治理范式的重构。[7]

社会善治在社会治理的基础上更强调治理的系统性、协同性、科学性和前瞻性。以大数据带动社会治理系统性发展，建立社会治理大数据系统。大数据是社会共同努力的结果，数据被分散在不同的部门不同的领域，需要数据主体打破数据壁垒，最大限度的实现数据共享，这一过程不是某一部门、某一机构、某一团体能够单独完成的，需要协同互助。以大数据带动社会治理的协同性发展，建立社会治理大数据共享机制。数据共享是大数据治理的关键一环，为治理主体的协同治理提供合作基础，大数据共享很大程度上取决于政府的数据开放程度，政府要加快建设权威的数据共享平台，开发数据共享红利。“通过数据聚合方式，将数据编制在统一、集中的开放平台上，并提供可检索、可机读的系统”[8]，以大数据带动社会治理科学性发展，建立社会治理科学决策机制。在大数据的共享和公开的基础上，避免信息屏蔽和信息垄断，在此基础上做出科学的决策。以大数据带动社会治理前瞻性发展，建立大数据社会风险预警系统。大数据精确的记载了“过去和现在发生的事”，在数据中找出关联和规律，可以对未来趋势进行预测，利用大数据的预判性，进行前瞻的社会治理，合理规避社会风险。

四、结语

毕达哥拉斯学派认为一切都是数字，在大数据爆发式发展的今天这句话并不难理解。大数据是一把“双刃剑”，给社会治理带来新的机遇的同时也对社会治理提出了诸多挑战。社会治理由传统方式向现代方式转型必须抓住大数据的发展机会，对治理逻辑、治理主体、治理结构、治理体系进行调整，利用大数据提高治理能力、科学决策能力。大数据给社会治理带来的挑战和风险也要引起充分的警觉，警惕大数据环境下公共权力的扩张、公民隐私的暴露和大数据自身的困境。直面大数据带来的机遇与挑战，要守住法律的底线，以安全为准则，以满足人民美好的生活需要为出发点最终达到社会善治。

参考文献：

[1] 张海波.大数据驱动社会治理[J].经济社会体制比较，2017（3）：64-73.

[2] [美]戴維·奥斯本，特德·盖布勒.改革政府：企业精神如何改革着公营部门[M].周墩仁，译.上海：上海译文出版社，1996：205.

[3] 李忠汉，刘普.“国家—社会”关系理论视野下社会治理的建构逻辑[J].中国社会科学院研究生院学报，2017（3）：107-114.

[4] 俞可平.走向国家治理现代化——论中国改革开放后的国家、市场与社会关系[J].当代世界，2014（10）：24-25.

[5]陈潭.大数据时代的国家治理[M].北京：中国社会科学出版社，2015：91.

[6] [英]维克托·迈尔—舍恩伯格，肯尼思·库克耶.大数据时代：生活、工作与思维的大变革[M].盛杨燕，周涛，译.杭州：浙江人民出版社，2013：195.

[7] 刘利才.杨杨.国内政府治理研究的知识图谱与进路研判——基于CNKI（2001-2016）的量化分析[J].华中农业大学学报：社会科学版，2017（4）：124-131.

[8]胡穗，胡南.政府数据开放中美比较与路径优化[J].湖湘论坛，2017（4）：118-123.

责任编辑：叶民英

作者：呼连焦 刘彤